Formation · OpenAI Codex · AI engineering & applications LLM

OpenAI Codex pour les AI engineers

Déléguer le développement avec OpenAI Codex : CLI et agent cloud, AGENTS.md, sandbox, approbations et workflows de PR en équipe.

Durée
2 jours (14 h)
Format
En ligne ou en présentiel
Langue
Allemand ou anglais
Participants
sessions ouvertes ou intra-entreprise
Attestation
Attestation de participation

Présentation

Cette formation associe OpenAI Codex aux processus quotidiens du domaine AI engineering & applications LLM. Les participants travaillent sur des scénarios réalistes et repartent avec des prompts, des workflows et des checklists immédiatement utilisables.

OpenAI Codex est un agent de développement qui fonctionne aussi bien en local, sous forme d’outil en ligne de commande et d’extension d’IDE, que dans le cloud. En local, Codex lit votre dépôt, propose des modifications et exécute des commandes dans un environnement isolé. Dans le cloud, il traite en parallèle les tâches que vous lui déléguez dans des conteneurs dédiés et restitue des diffs ou des pull requests traçables. En deux jours, vous apprenez à combiner ces deux usages et à découper le travail pour que l’agent le mène à bien.

Le pilotage et la sécurité sont au cœur de la formation. Avec AGENTS.md, vous transmettez à Codex la connaissance du projet, les commandes de build et de test ainsi que vos conventions. Vous configurez les modes d’approbation et la sandbox pour que l’agent n’agisse que dans le cadre autorisé, et préparez des environnements cloud avec des scripts d’installation adaptés. Vous intégrez enfin Codex à vos workflows de pull request, exploitez la revue de code automatisée et fixez les règles de délégation et de contrôle avant fusion.

L’AI engineering est la discipline qui transforme les modèles de langage en produits fiables : assistants conversationnels, analyse de documents, génération augmentée par la recherche, agents dotés d’outils et fonctions d’IA intégrées aux applications existantes. Le code qui entoure le modèle est souvent plus exigeant que l’appel au modèle lui-même, car versionnage des prompts, sorties structurées, évaluation, maîtrise des coûts, latence, observabilité et protection contre l’injection de prompt font la différence en production. Les assistants de codage IA et les agents accélèrent précisément ce travail, de la construction de pipelines d’évaluation aux définitions d’outils et serveurs MCP, jusqu’à l’analyse des erreurs dans les traces. Vous apprendrez à développer méthodiquement des applications LLM avec l’IA, à rendre leur qualité mesurable et à les exploiter de façon sûre, économique et conforme.

La formation se déroule en direct – en ligne dans une classe virtuelle ou en présentiel dans nos salles à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart et Kaiserslautern. Nous pouvons également l’organiser en intra pour votre équipe.

À qui s’adresse cette formation ?

  • Développeurs intégrant des fonctions LLM dans leurs produits
  • AI engineers et machine learning engineers
  • Data scientists spécialisés en IA générative
  • Équipes backend et plateforme fournissant l’infrastructure IA
  • Product owners techniques responsables de fonctionnalités IA

Les défis concrets que nous traitons

  • Des prototypes brillants en démonstration mais d’une qualité irrégulière en production
  • L’absence d’évaluation systématique qui rend risquée toute modification de prompt ou de modèle
  • Des coûts, une latence et des limites de débit qui dérapent avec la montée en charge
  • De nouveaux risques liés à l’injection de prompt, aux fuites de données et aux agents trop privilégiés

Objectifs pédagogiques

  • Vous utilisez Codex en local et dans le cloud pour les tâches de développement adaptées à chaque mode.
  • Vous rédigez un AGENTS.md qui guide l’agent de manière fiable dans votre projet.
  • Vous configurez modes d’approbation et sandbox selon vos exigences de sécurité.
  • Vous déléguez des tâches à l’agent cloud et en vérifiez méthodiquement les résultats.
  • Vous développez méthodiquement avec des outils de codage IA des applications RAG, des agents et des fonctions LLM prêts pour la production.
  • Vous rendez la qualité de vos applications LLM mesurable et pilotable grâce à des évaluations automatisées.
  • Vous exploitez vos applications LLM de façon sûre et économique, avec observabilité, protection contre l’injection de prompt et droits maîtrisés.

Programme

Jour 1

Module 1 Panorama de Codex : CLI, IDE et cloud
  • Comparer le fonctionnement de Codex en local et dans le cloud
  • Installer la CLI Codex, s’authentifier et la lancer dans un dépôt
  • Sessions interactives, exécution non interactive et choix du modèle
  • Distinguer les tâches adaptées à un agent de celles qui ne le sont pas
Module 2 La connaissance du projet avec AGENTS.md
  • Construire un AGENTS.md avec les commandes de build, de test et de lint
  • Formuler précisément conventions, repères d’architecture et interdits
  • Utiliser des AGENTS.md imbriqués pour les monorepos et sous-projets
  • Mesurer l’effet des consignes et les améliorer par itérations
Module 3 Sandbox, approbations et sécurité
  • Choisir le mode d’approbation, de la lecture seule à une large autonomie
  • Comprendre les limites de la sandbox pour le système de fichiers et le réseau
  • Gérer secrets, dépendances téléchargées et injection de prompt
  • Fichiers de configuration pour des standards d’équipe et des réglages sûrs par défaut
Module 4 Déléguer des tâches à l’agent cloud
  • Configurer des environnements cloud avec scripts d’installation et dépendances
  • Rédiger des tâches avec objectif, contexte et critères d’acceptation
  • Lancer plusieurs tâches en parallèle et comparer les résultats
  • S’appuyer sur les journaux et sorties de tests pour comprendre les solutions

Jour 2

Module 5 Workflows de PR et revue de code en équipe
  • Transformer les résultats en pull requests et demander des corrections
  • Utiliser la revue de code automatisée de Codex sur GitHub
  • Intégrer Codex dans des scripts et des pipelines CI
  • Définir les règles d’équipe : délégation, obligations de revue, responsabilités
Module 6 Atelier pratique : AI engineering & applications LLM
  • Construire des pipelines RAG
  • Automatiser l’évaluation
  • Développer agents et outils
  • Fiabiliser les sorties structurées
  • Observabilité et coûts
  • Contrer l’injection de prompt
Module 7 Protection des données, qualité & mise en pratique
  • Les applications LLM traitent souvent des données personnelles et confidentielles : vous apprenez à situer les exigences de l’AI Act européen en matière de transparence et de niveaux de risque, à concevoir des flux conformes au RGPD avec contrats de sous-traitance et politiques d’effacement, à gérer les clés d’API en sécurité et à respecter les licences des modèles et jeux de données.
  • Règles du jeu pour un usage sûr de l’IA en équipe
  • Vérifier les résultats : faits, sources, tests et principe des quatre yeux
  • Plan d’action personnel pour les 30 prochains jours
  • Questions ouvertes, perspectives et ressources pour aller plus loin

Cas pratiques de votre domaine

Construire des pipelines RAG

Implémenter ingestion, découpage, embeddings, recherche vectorielle, recherche hybride et reranking, et générer des réponses sourcées en respectant les droits d’accès des documents d’origine lors de la récupération.

Automatiser l’évaluation

Créer des jeux de test avec réponses attendues, définir des métriques de pertinence, de fidélité et de format, calibrer une évaluation LLM-as-a-judge et l’exécuter en CI à chaque changement de prompt ou de modèle.

Développer agents et outils

Concevoir définitions d’outils et serveurs MCP, implémenter des boucles d’agent avec planification, appels d’outils et conditions d’arrêt, et prévoir droits et validation humaine pour les actions lourdes de conséquences.

Fiabiliser les sorties structurées

Définir des schémas JSON pour les réponses du modèle, valider les sorties, mettre en place des stratégies de relance en cas d’erreur et rendre robustes les tâches d’extraction comme les données de factures ou de contrats.

Observabilité et coûts

Collecter traces, consommation de tokens, latences et taux d’erreur, analyser les conversations problématiques et réduire les coûts grâce au cache, au routage entre modèles et à la réduction du contexte.

Contrer l’injection de prompt

Tester des scénarios d’attaque via documents, pages web ou résultats d’outils manipulés, filtrer entrées et sorties, restreindre les droits des agents et intégrer durablement des tests de red teaming au pipeline.

Projets pratiques possibles

Assistant documentaire sourcé

Un chat RAG sur des documents internes, avec citations, boutons de retour et page d’évaluation qui suit la qualité des réponses sur un jeu de questions.

Banc d’évaluation

Un outil en ligne de commande qui exécute des variantes de prompts sur un jeu de test, note les résultats et met clairement en évidence les écarts entre versions.

Extracteur de documents

Un service qui reçoit des PDF, en extrait des données structurées selon un schéma JSON, les valide et signale les cas incertains pour vérification manuelle.

Prérequis

Vous avez une pratique réelle de la programmation, maîtrisez Git et la ligne de commande et connaissez les workflows basés sur les pull requests. Vous avez de solides compétences en programmation, idéalement en Python ou TypeScript, et l’habitude des API ; une première expérience des API de LLM est utile sans être indispensable.

Prérequis techniques

Ordinateur portable personnel avec terminal, Git et environnement Node.js ; une offre ChatGPT incluant Codex ou une clé API OpenAI, ainsi qu’un compte GitHub pour les exercices cloud.

Protection des données & conformité

Les applications LLM traitent souvent des données personnelles et confidentielles : vous apprenez à situer les exigences de l’AI Act européen en matière de transparence et de niveaux de risque, à concevoir des flux conformes au RGPD avec contrats de sous-traitance et politiques d’effacement, à gérer les clés d’API en sécurité et à respecter les licences des modèles et jeux de données.

Dates proposées

Toutes les dates sont indicatives – votre date souhaitée est toujours possible.

  • mar. 24 novembre 2026 – mer. 25 novembre 2026 En ligne Demander
  • lun. 30 novembre 2026 – mar. 1 décembre 2026 Munich Demander
  • mar. 8 décembre 2026 – mer. 9 décembre 2026 En ligne Demander
  • mer. 13 janvier 2027 – jeu. 14 janvier 2027 Hanovre Demander
  • mar. 26 janvier 2027 – mer. 27 janvier 2027 En ligne Demander
  • lun. 8 février 2027 – mar. 9 février 2027 Berlin Demander

Questions fréquentes

Quand utiliser Codex en local et quand dans le cloud ?

En local, vous travaillez de manière interactive au plus près du code, par exemple pour déboguer ou explorer une piste en suivant chaque étape. L’agent cloud convient aux tâches bien délimitées qui peuvent se dérouler seules, comme compléter des tests ou corriger de petits bugs. Vous pouvez en lancer plusieurs en parallèle et relire chacune sous forme de pull request.

Que doit contenir un bon AGENTS.md ?

Un bon AGENTS.md explique comment construire, tester et vérifier le projet, quelles conventions s’appliquent et quelles zones ne doivent pas être modifiées. Il reste court, concret et à jour. Des repères d’architecture et la liste des pièges fréquents sont également utiles. Pendant la formation, vous rédigez un AGENTS.md pour votre propre projet et en mesurez l’effet.

Est-il risqué de laisser Codex exécuter des commandes ?

Par défaut, Codex travaille dans une sandbox qui restreint l’accès aux fichiers et au réseau, et demande une approbation avant les opérations sensibles. Vous déterminez le degré d’autonomie via les modes d’approbation et la configuration. La formation vous apprend à choisir ces réglages en connaissance de cause et à limiter des risques comme l’injection de prompt.

Qu’est-ce qui distingue l’AI engineering du machine learning classique ?

En machine learning classique, vous entraînez vos propres modèles sur vos propres données. En AI engineering, vous exploitez le plus souvent des modèles de langage préentraînés via API ou hébergés en interne, et vous vous concentrez sur le contexte, la recherche documentaire, les outils, l’évaluation et l’exploitation. Les compétences en génie logiciel priment alors sur la statistique. C’est précisément l’angle de cette formation.

Comment savoir si notre application LLM est suffisamment bonne ?

Grâce à un jeu d’évaluation composé de questions réalistes et de résultats attendus, à une combinaison de contrôles à base de règles, d’évaluation LLM-as-a-judge et de vérifications humaines par échantillon, ainsi qu’à un suivi en production. L’essentiel est d’exécuter ces évaluations automatiquement à chaque modification. Vous mettez en place un tel dispositif pendant la formation.

Combien coûte la formation « OpenAI Codex pour les AI engineers » ?

La formation coûte 949 € HT forfaitaires par participant – en ligne comme en présentiel. Sont inclus 2 jour(s) de formation avec un formateur en direct, les supports de cours, un environnement d’exercice et une attestation de participation.

Puis-je proposer ma propre date ?

Oui. Nos dates sont indicatives. Dans le formulaire, vous pouvez à tout moment indiquer librement la date ou la période souhaitée – nous vérifions les disponibilités et confirmons sous un jour ouvré.

La formation a-t-elle lieu en ligne ou en présentiel ?

Les deux sont possibles : en direct dans une classe virtuelle ou en présentiel à Munich, Salzbourg, Berlin, Augsbourg, Hanovre, Brême, Stuttgart ou Kaiserslautern. Nous pouvons aussi l’organiser en intra pour votre équipe.

Autres formations pour les AI engineers

Autres formations OpenAI Codex

Les 32 formations OpenAI Codex

OpenAI Codex · MunichOpenAI Codex · SalzbourgOpenAI Codex · BerlinOpenAI Codex · AugsbourgOpenAI Codex · HanovreOpenAI Codex · BrêmeOpenAI Codex · StuttgartOpenAI Codex · KaiserslauternOpenAI Codex · En ligne